發(fā)布時(shí)間：2021-02-02 04:35

　　伴隨著人工智能的不斷進(jìn)步,機(jī)器學(xué)習(xí)引領(lǐng)的“金融科技”掀起一場(chǎng)新的浪潮,其應(yīng)用遍及各個(gè)領(lǐng)域。與此同時(shí),受外部金融危機(jī)和市場(chǎng)競(jìng)爭(zhēng)的影響,企業(yè)面對(duì)的財(cái)務(wù)風(fēng)險(xiǎn)也不斷增多,因此,尋找合適的財(cái)務(wù)預(yù)警模型一直是國(guó)內(nèi)外學(xué)者研究的重點(diǎn)問題。不同行業(yè)的財(cái)務(wù)預(yù)警模型有不同的特點(diǎn),本文以制造業(yè)上市公司為研究對(duì)象,制造業(yè)是國(guó)民經(jīng)濟(jì)的支柱,并且在A股市場(chǎng)中制造業(yè)上市公司占比重大。本文采用定性與定量相結(jié)合的方式。閱讀了大量相關(guān)經(jīng)典文獻(xiàn)和書籍,總結(jié)了實(shí)踐經(jīng)驗(yàn),從內(nèi)外兩個(gè)方面分析了上市公司財(cái)務(wù)危機(jī)形成的背景原因,梳理了財(cái)務(wù)危機(jī)預(yù)警的重要性和功能。在模型的構(gòu)建方面,從財(cái)務(wù)因素和非財(cái)務(wù)因素歸納了影響財(cái)務(wù)危機(jī)的指標(biāo),選取2016年—2018年首次被特別處理的制造業(yè)ST公司,與之對(duì)應(yīng),按照1:1的比例選取資產(chǎn)規(guī)模與行業(yè)相近的非ST公司進(jìn)行配對(duì),共確定120家公司,其中訓(xùn)練樣本100家,測(cè)試樣本20家。運(yùn)用多重共線性檢驗(yàn)、KMO和Bartlett球形檢驗(yàn)和因子分析檢驗(yàn)后,篩選出了具有價(jià)值的六大預(yù)警指標(biāo)。在此基礎(chǔ)上,利用MATLAB中trainlm算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型,最后檢驗(yàn)測(cè)試樣本得出模型的準(zhǔn)確率達(dá)到80%,說(shuō)明模型能夠判斷公... 

【文章來(lái)源】：華中科技大學(xué)湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：52 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

財(cái)務(wù)預(yù)警模型思路資料來(lái)源：作者整理

圖 2.1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖經(jīng)網(wǎng)絡(luò)的內(nèi)部結(jié)構(gòu)經(jīng)網(wǎng)絡(luò)是一種單向、多層前饋神經(jīng)網(wǎng)絡(luò)。由于權(quán)值的調(diào)整規(guī)則 等人于 1986 年提出的誤差反向傳播學(xué)習(xí)算法（BackPropagat經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)在實(shí)際應(yīng)用時(shí)絕大部分都是采用 BP 神經(jīng)網(wǎng)神經(jīng)網(wǎng)絡(luò)是前饋神經(jīng)網(wǎng)絡(luò)的核心，體現(xiàn)了神經(jīng)網(wǎng)絡(luò)的精華。經(jīng)網(wǎng)絡(luò)的基本單元。一個(gè)基本的 BP 神經(jīng)元有 R 個(gè)輸入，每個(gè)權(quán)值 w 和下一層相連，神經(jīng)元輸出可以表示為：a=f(w*p+b) （公式 2表示輸入輸出關(guān)系的傳遞函數(shù)，b 為該神經(jīng)元的閾值，p 為輸

10 0.477 2.978 94.56811 0.446 2.790 97.35812 0.240 1.497 98.85613 0.123 0.768 99.62314 0.042 0.261 99.88515 0.018 0.115 100.00016 0.001 0.001 100.000資料來(lái)源：SPSS 統(tǒng)計(jì)結(jié)果，作者整理在 SPSS.25 中運(yùn)用主成分分析法進(jìn)行因子分析，從中通過(guò)因子的方差貢獻(xiàn)率確定公共因子的個(gè)數(shù)問題。一般情況下，認(rèn)定為累計(jì)方差貢獻(xiàn)率達(dá)到 75%時(shí)，累計(jì)75%的因子可選為公共因子。如上圖所示，前 6 個(gè)公共因子累計(jì)達(dá)到 77.559%的貢率，故可把這 6 項(xiàng)因子作為整體水平的代表。碎石圖是根據(jù)每個(gè)因子特征值大小排序后形成的散點(diǎn)圖。從下圖可以反映出前 6 項(xiàng) 因 子 曲 線 斜 率 大 ， 特 征 值 較 大 ， 對(duì) 整 體 信 息 解 釋 能 力 較 強(qiáng)

【參考文獻(xiàn)】：
期刊論文
[1]大數(shù)據(jù)背景下機(jī)器學(xué)習(xí)算法的綜述[J]. 李成錄.  信息記錄材料. 2018(05)
[2]基于財(cái)務(wù)與非財(cái)務(wù)要素的上市公司財(cái)務(wù)困境預(yù)警實(shí)證研究[J]. 田寶新,王建瓊.  金融評(píng)論. 2017(05)
[3]上市公司財(cái)務(wù)風(fēng)險(xiǎn)提示及評(píng)估體系研究[J]. 萬(wàn)荔.  中國(guó)管理信息化. 2017(18)
[4]基于Logistic回歸和BP神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)預(yù)警模型比較[J]. 關(guān)欣,王征.  統(tǒng)計(jì)與決策. 2016(17)
[5]對(duì)國(guó)有上市公司財(cái)務(wù)危機(jī)預(yù)警模型構(gòu)建探討[J]. 唐桂森.  財(cái)會(huì)學(xué)習(xí). 2016(14)
[6]淺談企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的認(rèn)識(shí)與管理控制[J]. 李輝.  中小企業(yè)管理與科技(中旬刊). 2016(03)
[7]基于生存分析法的財(cái)務(wù)困境預(yù)警研究——以我國(guó)農(nóng)業(yè)上市公司為例[J]. 張旭堯,張衛(wèi)民.  商業(yè)會(huì)計(jì). 2016(03)
[8]基于MEA-BP神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)危機(jī)預(yù)警研究[J]. 趙辰,南星恒.  財(cái)會(huì)通訊. 2016(01)
[9]引入非財(cái)務(wù)指標(biāo)的財(cái)務(wù)危機(jī)預(yù)警研究——以我國(guó)制造業(yè)上市公司為例[J]. 張婉君,羅威.  財(cái)政監(jiān)督. 2016(01)
[10]制造業(yè)財(cái)務(wù)管理存在的問題及對(duì)策分析[J]. 鄒薇.  新經(jīng)濟(jì). 2015(Z2)

博士論文
[1]基于Kalman濾波和BP神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)危機(jī)動(dòng)態(tài)預(yù)警模型研究[D]. 孫曉琳.哈爾濱工業(yè)大學(xué) 2010

碩士論文
[1]中國(guó)一重財(cái)務(wù)困境成因及對(duì)策研究[D]. 張為.湘潭大學(xué) 2018
[2]基于BP神經(jīng)網(wǎng)絡(luò)的我國(guó)制造業(yè)上市公司財(cái)務(wù)預(yù)警模型研究[D]. 劉迎旭.北京印刷學(xué)院 2018



本文編號(hào)：3014063